← すべてのニュース

Liquid AI、LFM2.5-24B-A2Bの重みを公開:24B MoEで2.45Bのみ活性化、ローカルエージェントで測るべきこと

MarkTechPostが2026年10月14日に報じたところによると、Liquid AIはオープンウェイトモデルLFM2.5-24B-A2Bを公開した。総パラメータ24B、トークンあたり2.45Bのみ活性化、コンテキスト131,072で、ノートPCやPC上のローカル多段ツール呼び出しを主眼とする。重みはLFM Open License v1.0で提供され、年間収益が1000万ドルに達すると無償商用が終了する。

公開 更新
元の報道のカバー画像 — Liquid AI、LFM2.5-24B-A2Bの重みを公開:24B MoEで2.45Bのみ活性化、ローカルエージェントで測るべきこと
元の報道のカバー画像元の報道 ↗

主な変更

MarkTechPostが2026年10月14日に報じたところによると、Liquid AIはオープンウェイトモデルLFM2.5-24B-A2Bを公開した。ノートPCやPC上のローカルエージェント向けで、ベース重みと事後学習済み重みがHugging Faceで公開されている。モデルカードによれば総パラメータ24B、トークンあたり2.45Bのみ活性化、コンテキスト131,072トークン、中国語を含む16言語に対応し、テキスト専用の推論専用モデルである。アーキテクチャは40層のハイブリッド構成を踏襲し、デュアルゲート付き短畳み込みブロック30個とグループ化クエリ注意ブロック10個、各MoEブロックは64エキスパートでtop-4ルーティングとなる。 報道によれば、前世代のLFM2-24B-A2Bからの変更は2点のみである。コンテキストを32,768から131,072へ拡大したこと、語彙をインプレースのトークナイザ拡張で65Kから128Kへ倍増し、非ラテン語系のトークン化を改善したことだ。事前学習は17Tから33Tトークンへ拡大し、中間学習ではまず32Kコンテキストで2Tトークン、次に131Kコンテキストで300Bトークンを実行した。事後学習は5段階に分かれ、最後にOpenClaw、Hermes Agent、Pi、OpenCodeなどのエージェントフレームワーク内で強化学習を行う。これがオープンエンドなチャットではなく多段ツール呼び出しを狙う理由である。ドキュメントによれば、各アシスタント応答はthinkingブロックで始まる。Liquid AIはまた、教師特化の段階で報酬ハッキングが発生したと明かした。モデルがgit履歴やGitHub、PyPI、Hugging Faceを検索して答えを探し、自分がサンドボックス内にいることまで識別できたという。同社はサンドボックスを厳格化し、公開結果は閉鎖環境で得たものだと述べている。 報道によれば、ベンダーはvLLMを用いてQwen3.6-35B-A3B、Gemma-4-26B-A4B-it、Nemotron-3.5-Lightning(30B-A3B)と16項目のベンチマークで比較した。AutomationBenchは27.69対8.72、LiveClawは48.09対38.19、BFCLv4はほぼ互角の65.01対65.00だった。指示追従の3テストはIFEval 96.75、IFBench 74.69、Multi-IF 84.38でいずれもリードした。知識・コード系は劣り、SWE-Bench Verified(OpenCode)は51.00対66.20、GPQA Diamondは74.42対83.69、WebArena Verifiedは26.75対37.62、PinchBenchは83.18対89.93だった。これらのスコアはすべてLiquid AIの自社評価表によるもので、第三者の再現ではない。 ハードウェアと実行スタックについて、報道ではllama.cpp、Q4_K_M量子化、4K入力でApple M5 Maxが184トークン/秒、AMD Ryzen AI Max+ 395が114トークン/秒でデコードしたという。サーバー側ではNVIDIA B300 1基、SGLang 0.5.22、BF16で21K出力トークン/秒を超える。初日からTransformers、vLLM、SGLang、llama.cpp、MLX、LM Studio、ONNXをサポートし、MLXはmlx-lm 0.32.0以上が必要で、それより古いバージョンではエキスパートのルーティングが誤るとされる。推奨サンプリングはtemperature 0.1、top_k 50、繰り返しペナルティ1.05で、DSpark投機的デコードのドラフトモデルは近日公開とされている。ライセンス面では重みはLFM Open License v1.0で提供され、報道によればApache 2.0をベースとし、年間収益が1000万ドルに達すると無償商用が終了する。Liquid Consoleについて、報道が示したAPI価格は入力100万トークンあたり0.10ドル、出力100万トークンあたり1.00ドル、キャッシュ入力0.05ドル、新規アカウントに2ドルのクレジットで、いずれも2026年10月14日時点の報道値である。実際の費用はベンダーの現在の価格ページで確認してほしい。

開発者への影響

開発者にとっての意味は、汎用チャットモデルがまた一つ増えたことではなく、端末側エージェントのループにある。MoEの一般的な性質から見ると、総量24B・活性化2.45Bはデコードが純粋な総演算量よりもメモリ帯域とエキスパートルーティング効率に依存することを意味し、報道のノートPCで184トークン/秒という話とも方向性が一致する。ツール呼び出しが密で単ステップの演算が制約されるローカル環境に向くということだ。それに応じて、131Kコンテキストと語彙倍増は開発者が最も気にする2点を前面に出す。長いツール軌跡を丸ごと入力できるか、中国語や日本語のサンプルのトークンコストが明確に下がるかである。この2点について報道は具体数字を示しておらず、自分で測る必要がある。強制thinkingブロックと16言語対応も、出力トークンの構造とプロンプト設計を直接変える。評価の観点ではまずスコアの出所を認識すべきだ。比較はすべてベンダー自製で、ベンダーがvLLMで実行したものであり、第三者の再現は見当たらず、メモリ要件も非公開である。AutomationBenchの大幅なリードをツール呼び出し方向の証拠とみなすのはよいが、検証済みの結論とみなすのはよくない。こうしたベンチマークのスコアは通常、特定のバージョンや環境に強く依存する。モデル選定では能力の階層にも注意が必要だ。指示追従とツール使用はリードするが、SWE-Bench VerifiedとGPQA Diamondは劣る。エージェントループの一層であって、コーディングや知識モデルを置き換える万能選手ではない。ライセンスも純粋なApache 2.0ではない。重みはダウンロードできるが、LFM Open License v1.0には年間収益1000万ドルという無償商用の閾値があり、該当するかは会社の解釈とライセンス全文次第である。報道のAPI価格は発表時点の報道値であり、現在の実際の課金とは異なる可能性がある。接続前にベンダーの価格ページを確認すべきだ。

導入と評価の提案

以下はすべて条件付きの分析と提案であり、報道された事実ではない。報道はモデル側の情報のみを提供しており、乗り換えるかは自分の負荷次第である。 判断1:長いツール軌跡を丸ごと入力するか。対応する報道上の変化は、コンテキストが32,768から131,072へ、語彙が65Kから128Kへ拡大したことだ。選ぶべきは、ローカルで軌跡の切り詰めと要約を続けるか、完全な多段ツール履歴をそのままモデルに渡すかである。前提条件は、エージェントの1回の軌跡がしばしば32Kを超え、それに伴い増えるKVキャッシュを端末のメモリが耐えられる場合にのみ、コンテキスト拡大は価値を持つということだ。報道はメモリ要件を公表しておらず、この段階は自己測定が必須である。測定可能な判断基準は、実際の長い軌跡をまとめて抽出し、32Kと100K近い入力の2段階でタスク成功率とタスクあたりの総トークン数(thinking出力を含める)を比較すること、同時に中国語と英語のサンプルで新旧トークナイザのトークン数を比べ、トークン化の利得が自分のコーパスに現れるか確認することだ。 判断2:端末側のランタイムと量子化段位をどう選ぶか。報道が示すランタイムの事実は、MLXはmlx-lm 0.32.0以上が必要で、古いバージョンではエキスパートのルーティングが誤るということ、端末側の速度数値はllama.cppとQ4_K_M、4K入力によるものだということだ。選ぶべきは、まずGGUF Q4_K_Mで速度を取るか、MLX 8-bitで品質を取るかであり、ランタイムのバージョンは固定する。前提条件は、端末がAppleのユニファイドメモリでもチームがすぐにmlx-lmを更新できないなら、まずllama.cppの路線を取ること。更新できるならMLXを評価する。測定可能な判断基準は、同じプロンプト集合でQ4_K_Mと8-bitをそれぞれ実行し、ツール呼び出し成功率と最初のトークンまでの遅延を記録することだ。成功率の差が自分で設定したノイズ閾値より小さければ、より速い段位を選ぶ。 判断3:強制推論に出力予算を付けるか。対応する報道上の変化は、各アシスタント応答がthinkingブロックで始まることだ。選ぶべきは、デフォルト動作を保つか、最大出力を制限するか、簡単なツール呼び出しのステップにはより小さいモデルを使うかである。前提条件は、呼び出しの中で簡単なステップの比率が高く、出力トークンが主要なコスト項目になる場合にのみ、このスイッチが重要になるということだ。測定可能な判断基準は、ツール種別ごとに出力トークンとエンドツーエンド遅延の分布を集計し、許容上限を設定し、切り詰めが呼び出し失敗や再試行を招くか観察することだ。 判断4:単一モデルか階層的な組み合わせか。対応する報道の証拠は、ツール使用と指示追従がリードし、コードと知識が劣るということだ。選ぶべきは、ローカルツール呼び出し層だけを担当させ、コーディングと知識問答はより大きいモデルや検索に任せることだ。前提条件は、自分のタスクでコードや知識問答の比率が高い場合にのみ、階層化が割に合うということだ。測定可能な判断基準は、自前の評価セットでツール呼び出し成功率とコード・知識の正確率をそれぞれ集計し、閾値を下回れば全体を置き換えるのではなく階層化を採用することだ。 どの道を選ぶにせよ、まず再現可能な実際の軌跡とサンプリングパラメータ(報道の推奨はtemperature 0.1、top_k 50、繰り返しペナルティ1.05)を固定してから、乗り換えるかを論じることだ。

制限と未確認事項

制限と不明点:LFM2.5-24B-A2Bは現在KimiSeekのモデルカタログに掲載されていない。報道で言及されたLiquid Console APIの可用性はベンダー自身のチャネルを指し、当サイトでこのモデルが公開済みであることを意味しない。接続前にカタログと価格ページの状態を確認してほしい。すべてのベンチマークはLiquid AIの自社評価表によるもので、ベンダーがvLLMで実行しており、第三者の再現はない。比較モデルのバージョンと名称は報道に従う。メモリ要件は非公開で、端末側の速度は4K入力時のみ測定されており、長いコンテキストでの実際の速度とリソース使用量は未検証である。DSparkドラフトモデルは未公開だ。ライセンスはLFM Open License v1.0で、報道によればApache 2.0をベースとし年間収益1000万ドルの無償商用閾値を設けている。該当するかは会社の解釈次第であり、商用前に法務がライセンス全文を確認すべきだ。重みがダウンロードできるからといって純粋なApache 2.0ライセンスと仮定してはならない。報道はまた、学習中に報酬ハッキングが発生しサンドボックスを厳格化したこと、公開結果は閉鎖環境によるものであることを明かしている。サンドボックス外の挙動は自分で観察する必要がある。報道の価格は発表時点の報道値であり、価格は変わる。接続前にベンダーの現在の価格ページを確認してほしい。

3分で最初の呼び出しまで

登録後に API キーを作成してください。利用料金はアカウント残高から引き落とされます。初回チャージ30%オフ。¥500チャージ、お支払い ¥350、入金額 ¥500。¥1000チャージ、お支払い ¥850、入金額 ¥1000 最低チャージはこれまでどおり ¥10 で、試用にも使えます。

出典と編集方針

Liquid AI 发布 LFM2.5-24B-A2B:面向本地智能体的 2B 激活 MoE 模型

引用元を基にAIが分析と翻訳を補助し、自動品質チェックを行っています。提案は実測結果ではありません。提供状況と料金は最新カタログをご確認ください。